《条盒三维视觉检测中结构光光条中心提取方法①》由会员分享，可在线阅读，更多相关《条盒三维视觉检测中结构光光条中心提取方法①（6页珍藏版）》请在金锄头文库上搜索。
1、计 算 机 系 统 应 用 http:/www.c-s- 2014 年 第23卷 第 6 期 164软件技术算法 Software TechniqueAlgorithm 条盒三维视觉检测中结构光光条中心提取方法 杨晓亮1, 夏营威2, 董 浩3, 王 澍2, 张 文2, 高震宇2, 张 龙2, 刘 勇2 1(安徽省烟草质量监督检测站, 合肥 230022) 2(中国科学院安徽光学精密机械研究所, 合肥 230031) 3(国家烟草质量监督检验中心, 郑州 450001) 摘 要: 为了提高基于结构光的条盒三维视觉检测中尺寸测量的准确度, 研究和提出了霍夫变换和最小二乘法相结合的结构光中心线提取
2、方法. 首先, 依据图像颜色模型的R、G、B分量差值并结合中值滤波对目标结构光分进行分割提取; 其次, 分别对绿光与红光区域进行多次迭代细化处理获取骨架; 然后, 根据霍夫变拟合的直线段对目标点集进行分类; 最后, 使用最小二乘法分别对不同的点集进行分段拟合, 获取结构光中心线. 实验结果表明, 该方法能够准确地提取出结构光光条中心, 具有良好的稳定性, 为条盒三维视觉检测工作提供了准确的数据依据. 关键词: 三维测量; 结构光; 最小二乘法; 霍夫变换; 曲线拟合 Extraction Method of Line Stripes Center in the Case 3D Vision M
3、easuring System of Structured Light YANG Xiao-Liang1, XIA Ying-Wei2, DONG Hao3, WANG Shu2, ZHANG Wen2, GAO Zhen-Yu2, ZHANG Long2, LIU Yong2 1(Anhui Tobacco Quality Supervision and Inspection station, Hefei 230022, China) 2(Anhui Institute of Optics and Fine Mechanism of CAS, Hefei 230031, China) 3(C
4、hina Tobacco Quality Supervision and Inspection Center, Zhengzhou 450001, China) Abstract: In order to improve the accuracy of case three-dimensional measuring system based on structured light, the extraction method of light stripes center based on Hough transform and least square was proposed. Firs
5、tly, the target structured light was segmented by the median filter and threshold segmenting method which uses the difference of R, G and B in color model. Secondly, multiple iterative thinning was used to deal with the green light area and red light area respectively to obtain their skeleton. Third
6、ly, the points were classified according to the lines which are obtained by Hough transform. Finally, least square was used to fit the points sectionalized and obtain the center line. A series of experiments have been performed to test the proposed method. It is proven that the proposed automatic ex
7、traction method is effective and advanced. Keywords: three-dimensional measuring; structured light; least square method; Hough transform; curve fitting 烟草行业的自动化生产与检测是该行业当前发展的趋势. 目前, 香烟条盒的外观检测主要依靠人工测量的方式进行, 依靠硬件平台设施与图像处理算法的自动检测产品较少. 根据条盒尺寸的测量要求, 基于结构光的视觉检测技术能够在最大程度上还原目标模型并进行自动尺寸测量, 且相对简便、高效. 光条中心线是基于
8、结构光进行三维视觉检测的 收稿时间:2013-10-23;收到修改稿时间:2013-11-18 基础信息, 直接决定了重建结果的精度. 本工作受以下因素影响较大: 由于线激光由激光束经柱面拉伸后得到, 所以形成的结构光光照强度分布不均; 待测的香烟条盒表面颜色差异较大, 对激光的吸收强度不一, 导致光条宽度不均匀; 并且由于光学系统和电器元件的原因, 采集到的图像存在大量随机噪声及随机误差. 由于以上因素的影响, 做到光条中心的精确提取具有 2014 年 第23卷 第6期 http:/www.c-s- 计 算 机 系 统 应 用 Software TechniqueAlgorithm 软件技术
9、算法 165一定的困难, 目前常用的方法主要有形态学方法和曲线拟合方法1,2, 对于斜率存在较大变化的结构光, 这些方法在测量精度上有着一定的误差和局限性, 容易导致目标像素点的坐标产生大幅度偏移. 在本文方法中,针对烟盒结构光的几何特点, 依据图像颜色模型的RGB分量差值进行目标结构光分割提取, 采用迭代细化方法分别对绿光与红光进行处理获取骨架, 提出了使用霍夫变换与最小二乘法结合的拟合方法分别对斜率不同的点集进行拟合, 实现了结构光光条中心线的精确提取, 重建结果能够准确的反映烟盒的几何数据. 1 基于结构光的条盒三维视觉检测系统 能否准确的还原二维图像中每个目标像素点在世界坐标系中的坐标
10、是进行测量的关键. 本文实验中采 用 德 国 映 美 精 公 司(Imaging Source)的DFK72AUC02型号CCD相机进行图像采集; 使用的半导体激光器波长为650nm, 输出功率为16mW; 镜头型号为日本理光公司(RICOH)的C814-5M, 焦距8mm, 分辨率为500W像素. 图1为条盒三维视觉检测平台结构图. 1.相机2.镜头3.激光器4.转台 图1 烟盒三维重建实验平台 如图, 在本文的条盒尺寸检测中, 采用的是侧方向线激光器, 激光器产生的激光经柱面拉伸后得到光平面, 光平面在侧方向上与被测物体两个表面相交, 得到一条目标结构光. 图像采集方向与形成的结构光方向成
11、一定角度, 所以结构光在二维图像中表现为折线. 当物体在转台上匀速旋转一周后, 激光器便完成对物体的360度扫描, 物体每旋转一度, 图像采集一帧. 2 结构光中心亚像素检测 在图像上, 结构光光条表现为具有一定像素宽度的像素点合集. 在基于结构光的三维重建中, 对于每一条光条, 我们只取最能够准确反映物体表面当前坐标信息的像素点, 即光条中心线. 2.1 结构光光条分割 由于光学系统、电器元件和各种外部条件的影响, 采集到的图像上存在大量椒盐噪声和部分冲击噪声. 根据噪声的模型及结构光光条特点, 本文采用中值滤波对初步采集到的图像进行增强处理, 有效的滤除了大部分的椒盐噪声3,4. 基于图像
12、目标的颜色信息进行图像分割, 是基本的目标提取方法, 在特定的环境中能够稳定, 高效地获取目标信息, 达到应用目的5,6. 为了避免在旋转扫描过程中产生视觉死角, 本文实验中同时采用红色激光与绿色激光对目标进行交叉扫描, 所以分割提取的目标分别为红色与绿色两条激光光条. 通过对结构光光条像素的量化分析, 统计目标与背景间颜色分量的灰度分布差异, 本文使用了基于R、G、B分量差值的阈值分割方法在图像颜色空间进行分割处理, 提取出目标结构光, 原理如下: =ELSETPTPTPTPTPTPPTPTPTGRGGRRSBB0) )11. 059. 03 . 0(+=BGRsPPPP为灰度图像上像素灰度
13、值; 1T、2T、2T为分割阈值. 最后, 在二值图像上计算灰度级为255和155的连通域的面积, 并滤除小面积的离散噪声. 最终获得灰度级为155的红光区域及灰度级为255的绿光区域. 2.2 骨架提取 为获取目标点集, 本文实验采用击中击不中变换方法对结构光光条进行初步细化处理7, 8. 采用设定的结构元素遍历待处理图像, 通过击中与击不中变换标记结构元素内的像素点, 进行连续迭代处理, 并删除被标记像素, 最终得到细化的图像. 细化是具有方向计 算 机 系 统 应 用 http:/www.c-s- 2014 年 第23卷 第 6 期 166软件技术算法 Software Techniqu
14、eAlgorithm 性的, 在实际操作中我们采用八个方向的结构元素, 分别使用八个方向的结构元素对图像进行迭代处理后, 可以准确的获取光条对称的骨架信息. 图2为八个方向的结构元素对的示意图. G1 G2 G3 G4 G5 G6 G7 G8 表示击中元素H 表示击不中元素M 图2 八个方向的结构元素对示意图 2.3 分段曲线拟合 由于目标光条分割获取的光条边缘不光滑、对称性较差, 细化处理获取到的骨架会有一定程度的弯曲和明显的毛刺, 其像素与原图光条中心不存在一一对应关系. 根据本实验结构光特点, 结合具体精度要求, 本文在以上步骤的基础上进行了分段曲线拟合. 霍夫变换中得到的直线是基于通过
15、最多的数据点的线段9,10, 而最小二乘法拟合的直线是计算所有数据点距离拟合直线的平方和最小11. 本文实验对象不能够单独使用上述方法: 其一, 分割出来的目标结构光具有一定的宽度, 直接进行霍夫变换获得的直线位置与目标中心线相差较大. 其二, 我们实验的目标大部分为折线线段, 直接最小二乘拟合, 结果误差较大. 根据区域内结构光的线性分布特点, 为做到点集坐标的精确计算, 本文实验采用了霍夫变换与最小二乘法相结合的方法. 首先, 采用霍夫变换对不同线段的点集进行分类, 然后根据最小二乘曲线拟合原理拟合不同区域点集内的点. 本文实验方法的具体实现步骤如下: 2.3.1霍夫变换 霍夫变换的原理为统计图像上的各个目标像素点的坐标位置, 分别计算每个像素点可能在的直线的相关参数, 然后通过对所有像素点的参数进行归类计算, 并将符合要求的参数作为最后输出直线的参数. 依据公 式 对 目 标 像 素 点C(mmyx ,)进 行 霍 夫 变 换(MmL3 , 2 , 1=,M为像素点数量), 可得候选直线集合),(nn(NNn,3 , 2 , 1L=为拟合出的直线数量), 对于点集的霍夫变换公式如下: 20 , 0,sincos+=nmnmnyx (2) 这里, 为直线与原点
